熊 昊，龐 勇＊，莢 文，李春干

(1.中國(guó)林業(yè)科學(xué)研究院資源信息研究所，國(guó)家林業(yè)和草原局林業(yè)遙感與信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100091；2.廣西大學(xué)林學(xué)院，廣西 南寧 530004)

小班是內(nèi)部特征基本一致，與相鄰地段有明顯區(qū)別而需要采取相同經(jīng)營(yíng)措施的森林地塊或小區(qū)，是森林資源統(tǒng)計(jì)、經(jīng)營(yíng)和管理的基本單位[1]。小班區(qū)劃通常是依據(jù)高分辨率遙感影像目視判讀或?qū)嵉毓蠢L，工作量巨大，且會(huì)因調(diào)查員的知識(shí)水平、經(jīng)驗(yàn)、調(diào)查線路、觀察視角等主觀因素差異產(chǎn)生結(jié)果不一致的問(wèn)題[2-3]。因此，對(duì)小班自動(dòng)區(qū)劃進(jìn)行研究十分必要。在小班的劃分條件[1]中，權(quán)屬、森林類別等因子是政策規(guī)定或造林時(shí)已經(jīng)確定的，這些因子通常不因林分狀態(tài)的變化而改變，且可以從上一期林相圖中提取。而優(yōu)勢(shì)樹(shù)種組成、齡級(jí)等因子可以通過(guò)遙感方法提取。

國(guó)內(nèi)已有一些研究采用遙感影像來(lái)進(jìn)行自動(dòng)或半自動(dòng)的小班區(qū)劃。這些研究通常采用Landsat、SPOT5、QuickBird、ALOS 等高分辨率衛(wèi)星遙感影像作為輔助數(shù)據(jù)，使用多尺度分割和分類的方法獲得小班界線[3-6]。但衛(wèi)星影像受到空間分辨率的約束，對(duì)小班區(qū)劃仍具有一定的局限性。國(guó)外有一些學(xué)者采用航空遙感影像進(jìn)行小班區(qū)劃[7-8]，但多限于區(qū)分內(nèi)部較均質(zhì)的林分，沒(méi)有對(duì)我國(guó)森林調(diào)查規(guī)劃規(guī)程中規(guī)定的優(yōu)勢(shì)樹(shù)種、小班面積等因子的嚴(yán)格界定。并且影像數(shù)據(jù)中不包含林分結(jié)構(gòu)信息，可能會(huì)有樹(shù)種相同，但樹(shù)高、密度等不同的林分被劃分為同一小班，同時(shí)影像也可能有云和陰影等干擾因素。

近年來(lái)機(jī)載激光雷達(dá)（ALS）技術(shù)在林業(yè)中的應(yīng)用日益廣泛[9]。ALS 數(shù)據(jù)是由搭載在有人機(jī)或無(wú)人機(jī)平臺(tái)上的激光雷達(dá)傳感器掃描獲取的，適用于森林結(jié)構(gòu)觀測(cè)[10]。由ALS 數(shù)據(jù)生成的森林冠層高度模型可以為小班區(qū)劃提供準(zhǔn)確的位置、林分平均高、林分密度、郁閉度等信息[11-12]。通過(guò)對(duì)CHM的分割可以將森林參數(shù)不同的地塊區(qū)分開(kāi)，得到符合林區(qū)實(shí)際情況的小班邊界。Mustonen 等[13]比較了采用CHM 和RGB 航空遙感影像和綜合兩種數(shù)據(jù)的林分區(qū)劃，發(fā)現(xiàn)基于CHM 的區(qū)劃的林分比基于RGB 航空遙感影像和基于兩種數(shù)據(jù)區(qū)劃的林分更均勻。Koch 等[11]利用20 m 空間分辨率的低密度ALS 數(shù)據(jù)進(jìn)行小班區(qū)劃，采用特征提取、創(chuàng)建和基于柵格的分類方法。Wu 等[14]從點(diǎn)云中提取樹(shù)的大小、林分密度和樹(shù)種特征，使用非監(jiān)督均值漂移算法和區(qū)域生長(zhǎng)法進(jìn)行分割。Dechesne 等[15]從點(diǎn)云和多光譜影像中計(jì)算并篩選出了94 個(gè)特征，并使用隨機(jī)森林方法進(jìn)行樹(shù)種監(jiān)督分類得到林分區(qū)劃結(jié)果。Pukkala 等[16-18]利用16 m 的ALS 數(shù)據(jù)和森林資源調(diào)查數(shù)據(jù)，使用元胞自動(dòng)機(jī)方法，通過(guò)調(diào)整柵格內(nèi)部屬性參數(shù)來(lái)進(jìn)行林分區(qū)劃。而國(guó)內(nèi)現(xiàn)有研究中，僅有少數(shù)研究利用ALS 數(shù)據(jù)在ArboLiDAR軟件中進(jìn)行了林分高度分割[19]，并用于反演云杉次生純林的林分平均高。Jia 等[20]討論了不同形狀和面積參數(shù)對(duì)元胞自動(dòng)機(jī)林分區(qū)劃的影響。

已有的研究中體現(xiàn)了ALS 數(shù)據(jù)用于林分區(qū)劃的潛力，但這些研究沒(méi)有針對(duì)小班區(qū)劃需求，并且未充分考慮樹(shù)種信息。機(jī)載高光譜影像具有較高的空間和光譜分辨率，大量研究表明[21-25]，機(jī)載高光譜數(shù)據(jù)可以產(chǎn)生高精度的森林樹(shù)種分類結(jié)果，為小班區(qū)劃提供準(zhǔn)確的樹(shù)種組成信息。因此，本研究利用機(jī)載激光雷達(dá)數(shù)據(jù)和高光譜影像樹(shù)種分類結(jié)果進(jìn)行小班區(qū)劃，并與人工區(qū)劃小班進(jìn)行對(duì)比，綜合探究在高光譜影像樹(shù)種信息的輔助下，ALS 數(shù)據(jù)生成的高精度CHM 在小班區(qū)劃中的應(yīng)用潛力。

1 研究區(qū)概況及數(shù)據(jù)

1.1 研究區(qū)概況

研究區(qū)位于黑龍江省佳木斯市樺南縣東北部的孟家崗林場(chǎng)，地理坐標(biāo)為130°32′～130°52′ E，46°20′～46°30′ N。地處完達(dá)山西麓余脈，以低山丘陵為主，坡度較為平緩，坡度在10°～20°之間。地勢(shì)東北高，西南低，平均海拔約為250 m。孟家崗林場(chǎng)人工林占林地面積的76.7%，其中落葉松（Larix olgensisHenry）、樟子松（Pinus sylvestrisvarmongolicaLitvin.）、紅松（Pinus koraiensisSieb.et Zucc.）約占80%。天然林主要分布在林場(chǎng)的東北方向，占全部森林面積27.5%，主要樹(shù)種包括白樺（Betula platyphyllaSuk.）、柞樹(shù)（Quercus mongolicaFisch.Ex Ledeb）和椴樹(shù)（Tilia tuanSzyszyl）。

1.2 數(shù)據(jù)

1.2.1 遙感數(shù)據(jù) 采用中國(guó)林業(yè)科學(xué)研究院的機(jī)載綜合遙感觀測(cè)平臺(tái)CAF-LiCHy[26]于2017 年5 月31 日至6 月15 日采集的LiDAR 數(shù)據(jù)，航攝平臺(tái)為運(yùn)-5 多用途飛機(jī)，絕對(duì)飛行高度為1 000 m。CAF-LiCHy 機(jī)載系統(tǒng)包含全波形機(jī)載激光雷達(dá)（LMS-Q680i）、機(jī)載推掃式高光譜掃描儀（AISA EagleⅡ）和高分辨率CCD 相機(jī)，3 個(gè)傳感器共用一套POS 位置和姿態(tài)系統(tǒng)。飛行時(shí)航向和旁向交并比分別為70%和50%，獲取的數(shù)字正射影像空間分辨率為0.1 m。LMS-Q680i 激光傳感器是奧地利Riegl 公司的全波形激光雷達(dá)系統(tǒng)，工作波長(zhǎng)為1 550 nm，激光束發(fā)散角為0.5 mrad，波形數(shù)據(jù)的記錄間隔為1 ns，最大脈沖重復(fù)頻率為400 kHz。激光雷達(dá)點(diǎn)云數(shù)據(jù)的平均密度為12 pts·m-2，航帶間點(diǎn)云誤差為水平0.1 m，垂直0.12 m。高光譜AISA Eagle II 傳感器光譜范圍400～970 nm，光譜分辨率為3.3 nm，空間分辨率為0.5 m。CAFLiCHy 機(jī)載系統(tǒng)同步獲取的激光雷達(dá)數(shù)據(jù)、數(shù)字正射影像和高光譜影像的空間位置的一致性精度優(yōu)于1 m[27]。

1.2.2 樹(shù)種分類圖 樹(shù)種類別圖由CAF-LiCHy 機(jī)載系統(tǒng)同步獲取的高光譜影像監(jiān)督分類獲得。對(duì)高光譜影像的每個(gè)波段使用灰度共生矩陣計(jì)算了均值、均勻性、異質(zhì)性、相關(guān)性、方差、二階矩、熵、對(duì)比度8 種紋理特征，對(duì)紋理特征用最小噪聲分離法降維。使用提取的紋理信息和光譜信息進(jìn)行SVM 監(jiān)督分類，分為落葉松、紅松、樟子松、云杉、闊葉樹(shù)、耕地和其他7 類[24-25]。經(jīng)2017、2019 和2020 年采集的679 個(gè)樣地調(diào)查數(shù)據(jù)驗(yàn)證，總體分類精度為91.28%，Kappa 系數(shù)為0.88。

1.2.3 樣地實(shí)測(cè)數(shù)據(jù) 2017 年對(duì)孟家崗林場(chǎng)70 塊固定樣地進(jìn)行每木檢尺，測(cè)量了樣地中每株樹(shù)的胸徑、樹(shù)高和冠幅，計(jì)算每個(gè)樣地的算術(shù)平均胸徑和算術(shù)平均高。采用差分GNSS 對(duì)樣地進(jìn)行精確定位，定位精度優(yōu)于1 m。70 個(gè)樣地中包括落葉松樣地40 個(gè)、樟子松樣地11 個(gè)和紅松樣地19 個(gè)。

1.2.4 人工區(qū)劃小班數(shù)據(jù) 2016 年以衛(wèi)星影像為底圖，通過(guò)目視解譯得到林場(chǎng)林相圖，與航空遙感數(shù)據(jù)存在時(shí)間和空間位置上的差異。因此，以2017年機(jī)載高光譜影像為底圖，對(duì)2016 年林相圖進(jìn)行修正，得到2017 年人工區(qū)劃小班數(shù)據(jù)。修正調(diào)整后的小班界線更符合實(shí)際情況，且保證了與機(jī)載高光譜和激光雷達(dá)數(shù)據(jù)空間位置的一致性。冠層高度模型、樹(shù)種類別圖、小班邊界和樣地分布見(jiàn)圖1。

圖1 孟家崗林場(chǎng)冠層高度模型、樹(shù)種類別圖及小班區(qū)劃圖Fig.1 Canopy height model,tree species map and related data for sub-compartments delineation in Mengjiagang forest farm

采用孟家崗林場(chǎng)2017—2019 年共有149 個(gè)伐區(qū)調(diào)查數(shù)據(jù)，面積為1～17 hm2。由于林分生長(zhǎng)慢，對(duì)小班區(qū)劃而言，2017—2019 年的林分變化可以忽略不計(jì)，故采用3 個(gè)年度的主伐作業(yè)小班作為對(duì)照。

在森林資源調(diào)查監(jiān)測(cè)工作中，參考對(duì)象主要有人工區(qū)劃的小班圖和比用于自動(dòng)區(qū)劃的遙感數(shù)據(jù)分辨率更高的數(shù)據(jù)勾繪得到的小班圖，其中勾繪得到的小班圖誤差更少[4]。本研究基于0.1 m 空間分辨率DOM 屏幕勾繪了100 個(gè)小班作為參考小班。

2 研究方法

使用機(jī)載高光譜影像分類得到的樹(shù)種圖作為輔助數(shù)據(jù)，首先對(duì)1 m 空間分辨率的CHM 數(shù)據(jù)進(jìn)行多尺度分割，得到過(guò)分割結(jié)果圖；然后對(duì)1 m 空間分辨率的CHM 數(shù)據(jù)均值下采樣到5 m，并使用對(duì)稱近鄰均值濾波（SNN）平滑，再對(duì)其進(jìn)行多尺度分割，得到欠分割結(jié)果圖；最后將過(guò)分割和欠分割結(jié)果進(jìn)行融合優(yōu)化，得到最終小班區(qū)劃結(jié)果?？偭鞒虉D如圖2 所示。

圖2 基于機(jī)載激光雷達(dá)冠層高度模型和樹(shù)種類別的小班自動(dòng)區(qū)劃流程Fig.2 The flowchart of automatic delineation of forest stands based on CHM from airborne LiDAR data and tree species

2.1 LiDAR 數(shù)據(jù)預(yù)處理

采用Lastools 軟件對(duì)LiDAR 點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理。去除噪聲點(diǎn)，進(jìn)行點(diǎn)云分類，將分類后的地面點(diǎn)與非地面點(diǎn)分別采用TIN 內(nèi)插算法與最大高程插值方法生成空間分辨率為1 m 的數(shù)字高程模型（DEM）和數(shù)字表面模型（DSM），用DSM與DEM 相減獲得CHM 數(shù)據(jù)，其空間分辨率為1 m[28]。

2.2 CHM 平滑濾波

CHM 空間分辨率小于研究區(qū)樹(shù)冠的平均冠幅，在圖像分割中將產(chǎn)生大量過(guò)分割的斑塊，為此，對(duì)1 m 空間分辨率的CHM 數(shù)據(jù)進(jìn)行適當(dāng)?shù)闹夭蓸雍推交瑸V波，對(duì)同一株樹(shù)的多個(gè)像元取平均值，以更好地顯示這株樹(shù)的信息。在林分尺度上，對(duì)CHM 數(shù)據(jù)適當(dāng)?shù)钠交粫?huì)對(duì)小班邊界產(chǎn)生大的影響。為減少像元重采樣和平滑對(duì)小班邊界的影響，確保邊界的突顯性，采用具有邊緣保持特性的平滑濾波器。

對(duì)KNN 均值、最小方差均值、Sigma 平滑和SNN4 種濾波器的5 m 空間分辨率CHM 數(shù)據(jù)平滑效果進(jìn)行比較分析，綜合考慮異質(zhì)區(qū)域間邊界的保持效果和同質(zhì)區(qū)域內(nèi)的平滑效果，選用SNN 濾波器進(jìn)行5 m 分辨率CHM 的平滑處理。

SNN 濾波的核心思想是：比較窗口范圍內(nèi)對(duì)稱像元的值，選取每對(duì)像元中與目標(biāo)像元值更相近的值，對(duì)窗口內(nèi)選取的所有像元取均值作為目標(biāo)像元值，并保留與目標(biāo)像元差異大的像元值不變。這樣在保持邊緣的同時(shí)，又可以以較低的計(jì)算量對(duì)圖像進(jìn)行平滑[29]。根據(jù)地面調(diào)查數(shù)據(jù)，研究區(qū)成熟林分的平均冠幅約為5 m。比較3 × 3、5 × 5、7 ×7 和9 × 9 像素窗口的濾波效果，發(fā)現(xiàn)當(dāng)窗口過(guò)小時(shí)會(huì)使平滑效果變差，最終區(qū)劃結(jié)果中產(chǎn)生過(guò)多面積較小的小班。窗口過(guò)大時(shí)不同小班的邊界更加模糊，難以區(qū)分不同小班，最終區(qū)劃結(jié)果中有很多差異較大的應(yīng)區(qū)劃為不同小班的區(qū)域未分割開(kāi)，窗口大小為5 × 5 時(shí)濾波結(jié)果最優(yōu)。

2.3 多尺度分割

多尺度分割算法是從單像元對(duì)象開(kāi)始的區(qū)域合并過(guò)程，合并規(guī)則基于局部光譜均勻性，即相鄰圖像對(duì)象之間的相似性。光譜均勻性標(biāo)準(zhǔn)定義為光譜值的標(biāo)準(zhǔn)偏差之和，每次合并時(shí)方差增加最小的對(duì)象被合并，當(dāng)最小增量高于用戶定義的閾值(尺度參數(shù))時(shí)，分割過(guò)程結(jié)束[30]。本研究中的過(guò)分割即分割出大量面積較小的對(duì)象，對(duì)象小于小班尺度。欠分割即分割出數(shù)量較少、面積較大的對(duì)象，對(duì)象接近小班尺度。其中面積很小的與周?chē)鷧^(qū)域差異較大的區(qū)域沒(méi)有被分割出來(lái)，因此稱為欠分割。

將人工區(qū)劃小班疊加到樹(shù)種分類圖上，統(tǒng)計(jì)每個(gè)小班各樹(shù)種像元數(shù)占小班總像元數(shù)的比例，即樹(shù)種組成。選取樹(shù)種成數(shù)最大的優(yōu)勢(shì)樹(shù)種作為該小班的樹(shù)種。融合相同樹(shù)種的區(qū)域形成樹(shù)種矢量圖。在eCognition 軟件中用CHM 數(shù)據(jù)作為底圖，加入樹(shù)種矢量圖作為輔助數(shù)據(jù)，在同類樹(shù)種區(qū)域內(nèi)對(duì)CHM 進(jìn)行多尺度分割得到林分高度和密度一致的小班斑塊。分割方案中尺度參數(shù)設(shè)定為10～300，形狀參數(shù)和緊致度參數(shù)設(shè)定為0.1～0.9，進(jìn)行了多組試驗(yàn)，最終確定了分割效果最優(yōu)的參數(shù)。

2.4 分割結(jié)果優(yōu)化

對(duì)CHM 數(shù)據(jù)進(jìn)行多尺度分割的過(guò)程中，采用了多組參數(shù)進(jìn)行試驗(yàn)，結(jié)果顯示為1 m 和5 m 空間分辨率數(shù)據(jù)的分割結(jié)果最具互補(bǔ)性。5 m 空間分辨率CHM 的欠分割結(jié)果顯示了主要的林分區(qū)域，但其輪廓和林分邊緣的樹(shù)冠輪廓并不完全相符。1 m分辨率CHM 的過(guò)分割結(jié)果雖然形成了過(guò)多的斑塊，但其輪廓和林分邊緣的樹(shù)冠輪廓更相符。因此需要使用過(guò)分割結(jié)果來(lái)優(yōu)化欠分割結(jié)果。

本研究使用ArcGIS 軟件中的update 工具實(shí)現(xiàn)多尺度分割結(jié)果的融合。其原理是對(duì)輸入圖層和用于更新的圖層進(jìn)行幾何相交的計(jì)算，其中輸入圖層被更新圖層覆蓋部分的屬性用更新圖層的屬性代替。在更新時(shí)可以調(diào)整容差值，即輸出圖層邊界的X,Y坐標(biāo)相對(duì)于輸入圖層邊界的X,Y坐標(biāo)可移動(dòng)的距離。將欠分割結(jié)果作為更新圖層，通過(guò)調(diào)整兩種尺度的分割結(jié)果間的容差值，經(jīng)過(guò)多次試驗(yàn)，確定容差值為3 m 時(shí)優(yōu)化效果最佳。

2.5 區(qū)劃結(jié)果精度驗(yàn)證

區(qū)劃結(jié)果采用形狀因子和定量因子2 種方式進(jìn)行精度驗(yàn)證。首先評(píng)估林分邊界的準(zhǔn)確程度，采用人工區(qū)劃小班、主伐作業(yè)小班和0.1 m 空間分辨率DOM 屏幕勾繪的小班作為參考。根據(jù)自動(dòng)區(qū)劃小班與參考小班的空間位置相對(duì)應(yīng)的原則，采用最終測(cè)量精度準(zhǔn)則，逐一測(cè)量自動(dòng)區(qū)劃小班與參考小班的特征。最終測(cè)量精度準(zhǔn)則評(píng)價(jià)的特征包括圓度（RO），緊致度（CO），形狀指數(shù)（SI），最小包絡(luò)圓短半徑（RE），橢圓度（EF）和形狀因子（P2A）[4]。

同時(shí)，使用交并比指標(biāo)[31-32]，比較自動(dòng)區(qū)劃小班和參考小班的重合情況。計(jì)算人工區(qū)劃小班與其對(duì)應(yīng)的自動(dòng)區(qū)劃小班的交集的面積與并集面積的比值[31]，即：

其次，采用樣地平均胸徑、平均樹(shù)高和5 m ×5 m CHM 的冠層平均高數(shù)據(jù)計(jì)算可解釋性方差精度，評(píng)價(jià)小班內(nèi)部的均質(zhì)性及不同小班之間的異質(zhì)性[16-17,20]。即計(jì)算小班內(nèi)部觀測(cè)值或冠層平均高的方差之和SSwithin，各樣地值與全研究區(qū)均值的方差之和SStotal的可解釋性方差R2，公式如下：

使用樣地?cái)?shù)據(jù)計(jì)算時(shí)，k為小班數(shù)，ni為小班i中的樣地?cái)?shù)，xij為小班i中樣地j的觀測(cè)值，為全研究區(qū)樣地觀測(cè)值的均值，為小班i中樣地觀測(cè)值的均值。使用CHM 數(shù)據(jù)計(jì)算時(shí)，ni為小班i中的柵格個(gè)數(shù)，xij為小班i中柵格j的冠層平均高度值，為全研究區(qū)冠層平均高的均值，為小班i中冠層平均高的均值?？山忉屝苑讲钤浇咏?，則小班內(nèi)部一致性越高，不同小班間的差異性越大。

3 結(jié)果與分析

3.1 定性分析

經(jīng)過(guò)多次試驗(yàn)，對(duì)1 m 空間分辨率CHM 數(shù)據(jù)進(jìn)行分割時(shí)，最優(yōu)尺度參數(shù)為100，形狀參數(shù)為0.1，緊致度參數(shù)為0.5，得到過(guò)分割結(jié)果。接著對(duì)平滑后的5 m 空間分辨率CHM 數(shù)據(jù)進(jìn)行分割，最優(yōu)尺度參數(shù)為37，形狀參數(shù)為0.1，緊致度參數(shù)為0.5，得到欠分割結(jié)果。

最終區(qū)劃結(jié)果與過(guò)分割結(jié)果、欠分割結(jié)果和人工區(qū)劃小班的對(duì)比如圖3 所示。圖3-a 中顯示過(guò)分割結(jié)果劃分出了一些相對(duì)于小班尺度不必要分割開(kāi)的區(qū)域。圖3-b 顯示欠分割結(jié)果沒(méi)有分割出相對(duì)于小班來(lái)說(shuō)不必要的區(qū)域，但其邊界與小班邊緣的符合性較差。對(duì)比圖3-a 和3-b 可以看出欠分割結(jié)果對(duì)于小班區(qū)域的劃分效果比過(guò)分割結(jié)果好，但過(guò)分割結(jié)果與小班邊緣的符合性更好。優(yōu)化后的最終區(qū)劃結(jié)果比欠分割結(jié)果與林分邊緣更相符，比過(guò)分割結(jié)果更好地區(qū)分了不同的林分區(qū)域。最終區(qū)劃結(jié)果與人工區(qū)劃小班的對(duì)照如圖3-c 所示，結(jié)果顯示最終區(qū)劃結(jié)果與人工區(qū)劃小班大體上近似，且最終區(qū)劃結(jié)果與林分邊界真實(shí)樹(shù)冠邊緣的一致性更高。

圖3 基于CHM 的最終區(qū)劃結(jié)果與欠分割結(jié)果、過(guò)分割結(jié)果、人工區(qū)劃小班對(duì)比Fig.3 Under-segmentation results,over-segmentation results,manual sub-compartments and automatic sub-compartments on CHM

3.2 定量分析

3.2.1 形狀因子一致性 自動(dòng)區(qū)劃結(jié)果與參考小班邊界一致性的對(duì)比如表1 所示。表中各UMA特征從形狀和面積等多個(gè)角度反映了自動(dòng)區(qū)劃結(jié)果邊界的準(zhǔn)確程度，自動(dòng)區(qū)劃結(jié)果與基于DOM 勾繪的小班、主伐作業(yè)小班和人工區(qū)劃的小班的各特征都較接近，相近程度依次遞增。當(dāng)IoU＞0.7時(shí)，自動(dòng)區(qū)劃結(jié)果與人工區(qū)劃小班相符性非常好，IoU＞0.5時(shí)，自動(dòng)區(qū)劃結(jié)果與人工區(qū)劃結(jié)果相符性較好。

表1 自動(dòng)區(qū)劃結(jié)果與參考小班的UMA 特征均值及l(fā)OU＞0.7、lOU＞0.5 的自動(dòng)區(qū)劃小班占總數(shù)的百分比Table 1 The mean values of UMA features and the proportion of automatic sub-compartments with lOU＞0.7、lOU＞0.5compared with reference sub-compartments

由此可知自動(dòng)區(qū)劃結(jié)果中46%、37%、43%與人工區(qū)劃小班、主伐作業(yè)小班、基于DOM 勾繪的小班相符性非常好，61%、54%、55%與人工區(qū)劃小班、主伐作業(yè)小班、基于DOM 勾繪的小班相符性較好。

交并比較低的小班主要對(duì)應(yīng)以下3 種情況：①人工區(qū)劃小班邊界與地面真實(shí)小班邊界不符，而自動(dòng)區(qū)劃結(jié)果邊界與真實(shí)邊界相符。②人工區(qū)劃小班人為地將同質(zhì)的林分劃分為多個(gè)小班，而自動(dòng)區(qū)劃時(shí)對(duì)這部分林分劃分的界線與人工區(qū)劃的不一致。③幼苗幼樹(shù)小班的樹(shù)高過(guò)低，接近耕地，CHM自動(dòng)區(qū)劃方法沒(méi)有劃分開(kāi)。

3.2.2 林分內(nèi)部的均質(zhì)性和外部異質(zhì)性 自動(dòng)區(qū)劃結(jié)果的平均胸徑可解釋性方差為0.97，平均樹(shù)高可解釋性方差為0.98，和人工區(qū)劃小班相同?？山忉屝苑讲罹容^高，說(shuō)明自動(dòng)區(qū)劃的小班和人工區(qū)劃的小班都具有內(nèi)部一致性高，且不同小班之間區(qū)分度好的特點(diǎn)。自動(dòng)區(qū)劃結(jié)果中小班與樣地個(gè)數(shù)的對(duì)應(yīng)情況與人工區(qū)劃小班近似，并且二者的可解釋性方差一致，說(shuō)明自動(dòng)區(qū)劃方法產(chǎn)生了近似人工區(qū)劃結(jié)果的合理的小班。人工區(qū)劃小班的平均冠層高度的可解釋性方差為83.04%，自動(dòng)區(qū)劃小班的平均冠層高度的可解釋性方差為84.81%。自動(dòng)區(qū)劃小班比人工區(qū)劃小班的可解釋性方差提高了1.77%。說(shuō)明自動(dòng)區(qū)劃小班對(duì)不同林分的區(qū)分效果比人工區(qū)劃小班更優(yōu)。

4 討論

本研究得到的全場(chǎng)小班區(qū)劃結(jié)果優(yōu)于人工區(qū)劃結(jié)果，說(shuō)明CHM 應(yīng)用于小班區(qū)劃能夠提高邊界區(qū)劃精度，減少主觀性。高光譜圖像樹(shù)種分類結(jié)果圖使小班自動(dòng)區(qū)劃結(jié)果包含了樹(shù)種屬性。此外，自動(dòng)區(qū)劃結(jié)果的可解釋性方差較高，說(shuō)明自動(dòng)區(qū)劃結(jié)果符合小班內(nèi)部特征基本一致，與相鄰小班有明顯區(qū)別的要求，而定性分析也顯示自動(dòng)區(qū)劃的小班大部分符合實(shí)際情況。本研究方法在約15 000 hm2林場(chǎng)范圍的應(yīng)用時(shí)間約為10 h，而人工區(qū)劃約1 周時(shí)間，工作效率顯著提高。

在交并比較低的3 種原因中，前2 種是由于人工區(qū)劃小班結(jié)果與地表真實(shí)小班的邊界不符造成的。這些交并比低的小班，不代表自動(dòng)區(qū)劃不合適，而是表現(xiàn)出了自動(dòng)區(qū)劃與真實(shí)值更加一致，不受主觀及其他因素影響的優(yōu)勢(shì)。第3 種原因中，在人工區(qū)劃目視判讀時(shí)也會(huì)有部分幼苗幼樹(shù)和耕地難以區(qū)分開(kāi)，這些區(qū)域需要進(jìn)行實(shí)地調(diào)查才能確定。

不同于Dechesne 等[15]的研究需要計(jì)算大量的林分特征，本研究的方法可以直接利用高精度的CHM 和樹(shù)種圖進(jìn)行自動(dòng)區(qū)劃來(lái)得到和人工小班接近的區(qū)劃結(jié)果。Mustonen 等[13]計(jì)算的平均胸徑可解釋性方差為74%，平均樹(shù)高可解釋性方差為83%。Pukkala 等[16-18]計(jì)算的平均樹(shù)高、平均胸徑、斷面積可解釋性方差為66%～87%，最大樹(shù)高可解釋性方差為84.7%～94.2%。本研究自動(dòng)區(qū)劃的小班的平均胸徑和平均樹(shù)高可解釋性方差精度相對(duì)于這些研究有所提高。本研究的方法在一個(gè)完整林場(chǎng)范圍內(nèi)取得了內(nèi)部一致性精度高且和人工區(qū)劃小班接近的結(jié)果。另外，其他相關(guān)區(qū)劃研究中沒(méi)有與人工區(qū)劃小班邊界對(duì)比，有的林分區(qū)劃結(jié)果雖然絕對(duì)精度較高，但圖斑較破碎，面積過(guò)小，與人工小班差異較大。本研究引入U(xiǎn)MA 準(zhǔn)則和交并比分析方法，定量計(jì)算了使用遙感數(shù)據(jù)自動(dòng)區(qū)劃的小班與人工小班的相符性，并分析了其不同的原因，以及自動(dòng)區(qū)劃小班的優(yōu)勢(shì)和不足，有利于后續(xù)對(duì)自動(dòng)分割小班更好的符合甚至優(yōu)于人工區(qū)劃小班的進(jìn)一步研究。

5 結(jié)論

本研究采用機(jī)載激光雷達(dá)數(shù)據(jù)提取的CHM 和高光譜影像產(chǎn)生的樹(shù)種類別圖進(jìn)行了小班自動(dòng)區(qū)劃的研究，主要結(jié)論如下：（1）本方法充分利用了樹(shù)高、林分密度、郁閉度等林分結(jié)構(gòu)信息和高精度的樹(shù)種信息，區(qū)劃效率遠(yuǎn)高于人工小班區(qū)劃；（2）自動(dòng)區(qū)劃小班的內(nèi)部一致性高，外部差異性大，在形狀、面積、交并比等多個(gè)指標(biāo)上與人工區(qū)劃小班相符，自動(dòng)區(qū)劃小班的邊界較人工區(qū)劃小班邊界更為精準(zhǔn)；（3）本方法不需要計(jì)算大量特征，適用于林場(chǎng)及更大尺度的小班自動(dòng)區(qū)劃。此外，采用機(jī)載遙感數(shù)據(jù)進(jìn)行自動(dòng)區(qū)劃能更好地應(yīng)用于高精度的森林參數(shù)提取等工作，符合小班區(qū)劃精細(xì)化和森林質(zhì)量精準(zhǔn)提升的發(fā)展趨勢(shì)。